CVPR2019 参加速報 本会議1日目 / CVPR2019 Personal Memo: Day 1

チラシの裏チラシの裏チラシの裏チラシの裏チラシの裏チラシの裏

Transcript

1. CVPR2019 ຊձٞॳ೔ ଎ใ
2. - ࡢ೥·Ͱͱಉ༷ɺݸਓͷϝϞΛެ։͍ͯ͠ΔΑ͏ͳܗͷ΋ͷͰ͢ɻ͋͘·Ͱ ΋ɺͪΒ͠ͷཪతͳѻ͍Ͱ͓ئ͍͠·͢ - ࢲͷཧղͷँΓ΋ଟʑ͋Δͱࢥ͍·͢ͷͰ͝༰͍ࣻͩ͘͞ɻ ࠓճ͔Βޱ಄ൃද͸γϣʔτΦʔϥϧͷΈʹͳΓ·ͨ͠ɻ5෼ൃදx3݅ຖʹ3෼ͷ࣭͕ٙ͋Δܗ(ܭ18෼) ͰਐΜͰ͍͘ܗͰ͢ɻΈΜͳख๏ͷৄࡉ·Ͱ࿩ͤͣɺͪΐͬͱUXͷ௿͍ܗࣜͩͬͨ=ࣸਅͱͬͨΓϝϞ ͢ΔՋ͕ͳ͔ͬͨͷͰɺࠓճ͸ࣗ෼͕ฉ͍ͨൃදΛϙελʔͷΈʹߜͬͯྻڍɻ
3. ಉҰ෺ମผ࢟੎ͷ2ͭͷಛ௃͕Ұக͢Δ Α͏Siamese LossΛ͔͚ͭͭɺޓ͍Λઢ ܗม׵͢Δͱผ࢟੎ͷsegmentΛநग़Ͱ ͖ΔΑ͏ʹֶशˠະ஌෺ମͰCoSeg͕Ͱ ͖ΔΑ͏ʹͳΔɻ
4. ؆୯ͳαϯϓϧ͔ΒঃʑʹDA͢Δ ͱͪΐͬͱਫ਼౓͕͋Δɻ SOTAʹશવಧ͍͍ͯͳ͍Α͏ʹ Έ͑Δɻ
5. γʔϯ͔ΒActorݕग़ͯ͠ɺ Actor͝ͱʹ࣍ʹͲ͏ͳΔ͔Λ ༧ଌˠMessage PassingΛ܁Γฦ͢ ͜ΕʹΑΓಈ࡞༧ଌਫ਼౓Λ޲্ɻ
6. ͋ͱͰಡΉɻ ಛ௃ྔΛ෼཭͢Δ࿩ɻ ஶऀෆࡏɻ
7. Multi-label classificationͰɺ֤ଐੑͷ αϯϓϧ਺ͷInbalanceΛௐ੔͢ΔLossΛఏҊ
8. Region Proposal Network͕੾Γग़͠ ֤ۣͨܗʹରͯ͠Adv. trainingͰ Domain AdaptationΛ͔͚͍ͯΔͬΆ ͍
9. λΠτϧΛΈͯԿ͔ͱࢥͬ ͕ͨɺࠨଆͷྻͷ໰୊ઃఆ ΛݟΔʹ Open-set໰୊ͷख๏ͬΆ ͍ɻ
10. ΊͬͪΌݟΒΕͯͨ
11. ୯Ұը૾ͷΈ͔Βɺ UnsupervisedͰ ಈ͍͍ͯΔ෺ମΛݕग़͢Δख๏ɻ Ͳ͏΋ɺγʔϯͷ͏ͪɺ͔̍ͭ͠ ग़ྗ͠ͳͦ͞͏ͩͬͨͷͰ ৄࡉ͸εΩοϓ
12. γΣΠϓಛ௃ͱ࢟੎ಛ௃Λ ൈ͖ग़ͯ͠ɺ਽ܗͷ ʮ෰Λணͨਓ෺ʯϞσϧΛ ೖྗ͢Δͱɺணͤସ͕͑Ͱ͖ Δʁ
13. 2Dͷ࢟੎ਪఆx2ຕʹରͯ͠ɺ epipolarͰ3࣍ݩΛ෮ݩ͠ɺ1ຕ͔Β 3Dͷ࢟੎Λग़ྗͰ͖ΔNNΛผ్ ֶश=self supervised.
14. LSTMʹ͔͚ΔͷͰ͸ͳ͘ɺ ஷΊ·͍ͬͯ͑͘΍ͱؔ਺ʹ͔͚ Δʢؔ਺ͷৄࡉ͸ෆ໌ʣ Epic-Kitchenͷ݁ՌΛݟΔͱ ͘͢͝ޮ͘ɺͱ͍͏ҹ৅͸ ͋·Γͳ͍͔΋ɻ ΋ͬͱଞʹํ๏͕͋Γͦ͏ ڞஶऀ͸߽՚ɻ
15. ະདྷ༧ଌͷͰ͖ͳ͍ͱ͜Ζ= Eventͷ੾Ε໨ͱ͢Δɻ લ͔Βࢲ͕͍͍ͬͯΔख๏ɻ ·͊ɺ͋Δఔ౓͸Ͱ͖ΔΑ͏ʹ ࢥ͑Δ͕ͦͷઌ͕໰୊ͩͱࢥ ͏ɻ
16. How to Do 100MΈ͍ͨͳ ͷɻ.͚ͩͲ
17. LSTMͰ1ϑϨʔϜग़ྗɺ ͦͷϑϨʔϜΛઌ಄ͱͯ͠ɺ ٯ޲͖ͷLSTMΛֶश͠ɺ ઌ಄ϑϨʔϜΛੜ੒͢Δ Cycle GANɻͳ͔ͥMSE͕ ͕͍͋ͬͯΔɻ ࣭໰͕ͨ͠ɺߟ͍͑ͯͳ͔ͬ ͨΒ͘͠ɺ͔֬ʹͳΜͰͩΖ ͏ͱஶऀ͕೰ΜͰ͍ͨ...
18. Self-supervised Learning͕ AlexNetҙ֎Ͱ΋ͪΌΜͱಈ ͘ͷ͔Λௐ΂ͨ࿦จɻ Take Home Message͕وॏ
19. Text > Image > Text ͷCycleͷ ΈGANΛద༻ͯ͠ɺText-to- imageͷม׵࣌ͷ৘ใଛࣦΛݮ Βͨ͠ɻ
20. Yale SongͷൃදɻDiversity Lossͱ͔͸ࣅͨΑ ͏ͳͷ͸͋Δ͸ͣɺΈ͍ͨͳ͜ͱΛ͍͍ͬͯ ͨɻ
21. Ranjay Krishnaͷൃදɻͪ͜Β͸ Θ͔Γ΍͍͢ɻ ࣭໰จΛੜ੒͢Δ΋ͷΛֶशɻ 1. ը૾ͱਖ਼ղΛೖྗͱ࣭ͯ͠໰จ Λੜ੒ɻ 2. (ೖྗʹਖ਼ղ͕͋Δͱ࣮༻ੑ͕ͳ ͍ͷͰ)ਖ਼ղˠਖ਼ղΧςΰϦʹೖΕ ସ͑ͨωοτϫʔΫͰ΋ɺಉ͡ಛ௃ ͕ग़ྗ͞ΕΔΑ͏ʹֶशɻ
22. Knowledge GraphΛೖΕͯ HOIͷݕग़Λݡ͘͢Δख๏
23. 3D point cloud͔Βͷ ఺ͷඪຊநग़Λϝλֶश
24. ͋Μ·Γ৽نੑ͕Α͘Θ ͔Βͳ͍??
25. JigsawΛ࢖ͬͯෳ਺υϝ Πϯͷը૾Ͱֶश͢Δ ͱɺDomain Generalization(PACS)Ͱ SOTA͕ͰΔ... ҰԠɺҰ͚ͭͩτϦοΫ ͕͋ͬͯɺग़ྗϕΫτϧ ͷΤϯτϩϐʔΛ௿͘͢ ΔΑ͏ʹɺͭ·Γɺৗʹ ֬৴Λ΋ͬͯ౴͑ΔΑ͏ ͳLoss͸௥Ճ͍ͯ͠Δͱ ͷ͜ͱɻ
26. Target Domain͕ɺ࣮ࡍʹ͸(ະ ஌ͷ)ෳ਺υϝΠϯͷू߹ʹͳ ͍ͬͯΔ৔߹Λߟ͑ɺTarget sub-domainͷਪఆΛ(Ϋϥελ ϦϯάͰ΍Γͳ͕Β)Α͋͘Δ UDAΛ͢Δख๏ɻ ୯ʹಛ௃ྔΛΫϥελϦϯά͢ ΔͱΧςΰϦ͝ͱͷΫϥελ͕ Ͱ͖Δةݥ͕ߴ͍ͷͰɺݩͷը ૾ͱɺಛ௃ྔΛ߹Θͤͨ΋ͷʹ ͍ͨͯ͠ΫϥελϦϯάΛ͢Δ ͱͷ͜ͱɻ
27. ֶशσʔλ͕Ұ༷෼෍ʹͳΔΑ͏ ͳAdversarial TrainingΛͯ͠ɺҰ ༷෼෍ʹ৐Βͳ͍΋ͷΛɺHard Negativeͱͯ͠ݕग़͍ͯ͠Δɻ
28. ෺ମࣝผͱಈ࡞ࣝผΛֶशͤ͞Δ͜ͱͰɺ ෺ମۣܗΛݕग़͢ΔωοτϫʔΫΛֶशɻ ͜Εͦ͜ɺFirst Person VisionͰطʹ͋Δɻ
30. AEͷLatent Featureʹରͯ͠ ಛ௃্ۭؒͷڑ཭ʹج͍ͮͯ ҟৗݕ஌͢Δͱɺ্ख͘Open- Set໰୊͕ղ͚Δɺͱ͍͏࿩ɻ ౦େͷݚڀɻ
31. ैདྷͷSpectral Net͕୯ʹ Siamese NetworkͰϓϨτ Ϩʔχϯά͍ͯͨ͠෦෼Λ վળɻ
32. ࣗಈ຋༁ͷSOTAʹͳͬͨͷͱಉ͡Ͱɺ image - text ͷCycle-GANΛֶशɻ
33. Star-GANͰ͸ม׵͸1:1ɻ͜ͷख๏͸ ಉ͡ର৅ͷෳ਺υϝΠϯͷσʔλΛೖྗͱ ͯ͠ɺλʔήοτυϝΠϯͷσʔλΛੜ੒ Ͱ͖ΔΑ͏ʹCycle Consistency LossΛ গ͠޻෉ɻ
34. Conditional GANͳͲͷ conditionʹϊΠζ͕͋Δͱ͠ ͯɺͲ͏Fix͢Δ͔ɻ ֶश࣌ʹಉׂ͡߹ͷϊΠζΛࡌͤ Δɻ ஶऀʹΑΕ͹ɺϓϥϚΠ0.2͘Β ͍ͷޡࠩ͸଱͑Δɻಉ༷ʹϥϕ ϧʹϊΠζͷͳ͍σʔλʹରͯ͠ ख๏Λద༻ͯ͠΋ͦ͜·ͰѱӨ ڹ͸ͳ͍ͱͷ͜ͱɻ ࿦จதʹσʔλ͋Γ??